دسته بندی اطلاعات و داده‌ها با استفاده از ماشین بردار پشتیبان

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 12

تعداد کلمات : 3000

مجله : International Journal of Advanced Research in Computer Engineering & Technology

انتشار : 2012

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
10 سپتامبر 2021
دسته بندی
تعداد بازدیدها
1251 بازدید
60,000 تومان

عنوان فارسی مقاله:دسته بندی اطلاعات و داده‌ها با استفاده از ماشین بردار پشتیبان

 چکیده

 روش‌های سریع برای تحلیل اطلاعات با توجه به تولید داده‌های زیاد توسط شرکت‌ها ضروری هستند. دستاوردها در خصوص تکنولوژی پایگاه داده و رایانش ابری و هوش مصنوعی باعث تقویت تجزیه تحلیل اطلاعات هوشمند شده‌اند. SVM یک الگوریتم یادگیری ماشینی برای حل مسائل آماری، من کاوی، تجزیه تحلیل دست نوشته، شناسایی چهره است.SVM نقش زیادی در بیوانفورماتیک دارد. و روشی مناسب برای دسته بندی حوزه‌های مختلف است. تئوری تعمیم و توابع هستهای دو خصوصیت مهم SVM هستند که ماهیت غیر خطی دارند. این مطالعه، نقاط مثبت SVM را نشان می‌دهد و برخی مطالب مهم را برای دانشمندان داده کاوی فراهم می‌کند(استفاده از ماشین بردار پشتیبان).

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: A Review on Support Vector Machine for Data Classification

Abstract

 With increasing amounts of data being generated by businesses and researchers there is a need for fast, accurate and robust algorithms for data analysis. Improvements in databases technology, computing performance and artificial intelligence have contributed to the development of intelligent data analysis. Support vector machines are a specific type of machine learning algorithm that are among the most widelyused for many statistical learning problems, such as spam filtering, text classification, handwriting analysis, face and object recognition, and countless others.Support vector machines have also come into widespread use in practically every area of bioinformatics within the last ten years, and theirarea of influence continues to expand today. The support vector machine has been developed as robust tool for classification and regression innoisy, complex domains. The two key features of support vector machines are generalization theory, which leads to a principled way to choose an hypothesis; and, kernel functions, which introduce nonlinearity in the hypothesis space without explicitly requiring a non-linear algorithm.